窃电现象不仅会为电力企业和国家带来巨大损失,还会对电网的安全运行和人身财产安全具有重要的影响。实时准确的定位窃电检测对电网稳定运行具有重要意义。传统窃电检测方法主要依据台区线损的大小判断是否存在窃电现象,但具体定位窃电用户需要人工进行排查,效率低且存在取证难等问题。随着逐步完善的高级量测体系和建设与发展的电力物联网,用电数据采集类型、频率和质量日益提升,论文针对电计量数据分析的窃电检测技术开展研究,具体工作如下:（1）基于高级量测系统中智能电表采集数据,对采集数据的异常值、缺失值进行预处理,为数据生成和窃电检测提供高质量的数据源;分析常见的窃电方式并得到表示用户窃电行为的特征指标,为窃电检测模型提供特征基础;考虑正常样本与异常样本间的不平衡问题,基于数据生成模型解决正常样本与异常样本间不平衡的问题,提高机器学习模型的检测效果。（2）针对小样本窃电数据难以有效支持检测算法的问题开展研究,提出了一种基于数据生成和DT-KSVM的窃电检测方法。首先提出了基于变分自编码式WGAN的数据生成模型,综合VAE的特征提取能力和WGAN训练的稳定性,并利用数据的真实性约束及相似性约束优化隐变量。然后提出了改进的基于决策树的支持向量机（Decision-Tree Based on Support Vector Machine,DT-SVM）的窃电检测方法,在训练过程中,采用投影向量法计算类间分离度,并依据分离性的大小构建偏二叉决策树;在分类过程中,利用KNN对SVM的分类后决策平面附近的分类点进行修正。通过算例分析验证了数据生成模型以及窃电检测算法能够实现高精度的数据生成和提高窃电检测效率。（3）针对分步减轻窃电检测不平衡数据集的问题开展研究,提出了一种基于相似性度量和IPSO-PCSVM的窃电检测方法。在窃电初步检测过程中,考虑曲线数值特征和形态特征的相似性度量方法进行窃电检测,使尽可能少的正常样本进行二次检测,减轻窃电样本与正常样本间的不平衡关系;在窃电的二次检测过程中,提出了综合改进粒子群算法（Improved Particle Swarm Optimization,IPSO）优化定制惩罚参数支持向量机（Penalty-Customized Support Vector Machine,PCSVM）的窃电检测方法,减轻不平衡数据集带来的影响并选择合适的参数提高了分类性能。仿真结果显示,该方法可以削弱不平衡数据集影响,提高检测的准确率。